终于可以再继续更新我的博客了，算法这部分已经积累的不少的工作，正在梳理中，跟之前的博客内容相比，更系统和有深度，后面也许会公开也许部分公开。另外，我还会持续记录下每天的一些想法，关于生活、关于工作、关于人生、关于英语学习等等等等，不一定每天更新，但会持续记录。如果你对我的想法感兴趣或者对我的想法有一些建议，欢迎在文档里给我留评论，我会很高兴和你交流。
后续的的更新都会在下面的文档里同步进行，另外，体验了腾讯文档、石墨文档和飞书文档后，强烈推荐飞书文档，超级好用，其次是石墨文档，腾讯文档反而是最垃圾的。
最后还是为了逃避审查，在被封了几次文档后，决定搬到 notion 文档，比飞书更强大且自由。基于 notion 重新搭了个博客。
关于推荐场景位置偏差问题解决方法的简单调研
腾讯文档链接：点我
最近一年发现腾讯文档还挺好用的，很多文档都直接写在上面了，所见即所得，还方便分享，因此都少在这里发了，今天贴个链接吧，关于第三代召回技术的调研。
腾讯文档链接：点我
无论是否是管理者，当前大家所做的工作，往往是多人或者多方合作进行，其中你都或多或少需要通过个人影响力去驱动他人为完成共同的目标而努力，个人领导力在其中发挥了关键的作用。因此，最近报名参加了一次关于领导力这方面的课程，这里把课程内容小结下。
点击率(click-through rate, CTR)是互联网公司进行流量分配的核心依据之一。比如互联网广告平台，为了精细化权衡和保障用户、广告、平台三方的利益，准确的CTR预估是不可或缺的。CTR预估技术从传统的逻辑回归，到近两年大火的深度学习，新的算法层出不穷：DeepFM, NFM, DIN, AFM, DCN……
然而，相关的综述文章不少，但碎片罗列的居多，模型之间内在的联系和演化思路如何揭示？怎样才能迅速get到新模型的创新点和适用场景，快速提高新论文速度，节约理解、复现模型的成本？这些都是亟待解决的问题。
我们认为，从FM及其与神经网络的结合出发，能够迅速贯穿很多深度学习CTR预估网络的思路，从而更好地理解和应用模型。
本文转自：点我
本文内容的 pdf：点我